1) combining ridge and principal components estimate
岭型主成分估计
1.
This paper discusses its superiority of the optimal and classical predictors based on the combining ridge and principal components estimate.
针对有偏降维估计的预测问题,以岭型主成分估计为基础,对广义线性回归模型{y=Xβ+ε,ε-N(0,σ2∑)}的最优预测量与经典预测量的最优性判别问题进行讨论。
2.
The variance optimality of combining ridge and principal components estimate is discussed in the class of reduced-dimension estimates.
研究岭型主成分估计在降维估计类中的方差最优性,证明了它的方差阵在降维估计类中最小,方差阵的特征值最小,方差和及方差积最小。
3.
おhis paper discusses the variance property of combining ridge and principal components estimate in the class of reduceddimension estimators.
讨论了岭型主成分估计在一类降维估计中的方差性质，证明了在一定条件下岭型主成分估计的方差和最小。
2) combining generalized ridge and principal components estimator
广义岭型主成分估计
1.
The combining generalized ridge and principal components estimator of regression coefficient in growth curve model;
增长曲线模型中回归系数的广义岭型主成分估计
3) ridge combined principal component estimate
岭型组合主成分估计
1.
A new estimate, ridge combined principal component estimate (R CP), is proposed for the regression coefficients of a linear model Some properties including admissibility,excellence property of the estimate are studied Several selecting methods for using the ridge parameters are also give
提出了线性模型回归系数的一种新的估计——岭型组合主成分估计 ,讨论了岭型组合主成分估计的可容许性、优良性等性质 ,并给出了应用时岭参数的几种选取方
4) Ridged shrunken principal cormponents estimate
岭型压缩主成分估计
5) generalized ridge principal components adjusted estimate
广义岭型主成分改进估计
1.
Combine Stein-Type Shrunken thinking with the generalized ridge principal components adjusted estimate to study a seemingly unrelated regression systems.
对于一类半相依回归系统,将Stein压缩思想与广义岭型主成分改进估计相结合,提出Stein型广义岭型主成分改进估计,并且讨论这种估计及其相应的两步估计的优良性质。
6) combining generalized ridge principal component estimate
广义岭型组合主成分估计
补充资料：岭估计
分子式：
CAS号：
性质：统计学中有偏估计的一种方法。主要针对回归分析中存在的共线性而造成的经典最小二乘估计的参数不稳定而提出的一种改进方法。岭回归通过对回归系数矩阵的对角元素进行微扰，即将最小二乘估计式=(XtX)-1XtY改为=(XtX+kI)-lxtY，从而减少估计参数的均方误差。因为这种微扰失去了经典最小二乘估计的无偏性，故有有偏估计之称。
CAS号：
性质：统计学中有偏估计的一种方法。主要针对回归分析中存在的共线性而造成的经典最小二乘估计的参数不稳定而提出的一种改进方法。岭回归通过对回归系数矩阵的对角元素进行微扰，即将最小二乘估计式=(XtX)-1XtY改为=(XtX+kI)-lxtY，从而减少估计参数的均方误差。因为这种微扰失去了经典最小二乘估计的无偏性，故有有偏估计之称。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条